NVIDIA presenta algoritmos FP64 para simulaciones científicas más rápidas **Información adicional**
El kit de herramientas CUDA 13.4.2 de NVIDIA acelera las multiplicaciones de matrices en formato FP64 mediante los algoritmos Ozaki-II y 2M, mejorando así el rendimiento de las simulaciones científicas.
**Detalles de los avances**
**Más sobre los nuevos algoritmos**
**Artículo relacionado**
En este artículo…
**Avances tecnológicos en cuBLAS**
NVIDIA ha introducido nuevos algoritmos FP64 en su kit de herramientas CUDA 13.4.2, lo que permite realizar simulaciones científicas de manera más rápida y eficiente. La biblioteca cuBLAS actualizada incorpora los algoritmos Ozaki-II y 2M, que aceleran significativamente las multiplicaciones de matrices de doble precisión sin perder la precisión en formato FP64. Estos avances son de gran importancia para las aplicaciones de cómputo de alto rendimiento (HPC) e inteligencia artificial (IA), que dependen de operaciones con matrices densas.
**Beneficios de los nuevos algoritmos**
Los algoritmos Ozaki-II y 2M reducen la cantidad de multiplicaciones enteras necesarias para los cálculos de doble precisión. Al utilizar el Teorema del Resto Chino (Chinese Remainder Theorem, CRT), Ozaki-II realiza una única multiplicación de matrices por módulo y reconstruye el producto exacto a partir de los restos. Este enfoque permite una escala lineal en el número de operaciones de multiplicación en comparación con el enfoque anterior, que presentaba una escala cuadrática.Además, el método 2M optimiza las multiplicaciones de matrices complejas al reducir el número de multiplicaciones reales necesarias de cuatro a dos. Ambos algoritmos utilizan los núcleos de tensor de enteros (integer Tensor Cores) de NVIDIA, que dividen los números de doble precisión en componentes enteros, realizan las multiplicaciones y vuelven a ensamblar los resultados. Este enfoque asegura que se preserve la precisión de las operaciones nativas de FP64, al mismo tiempo que se beneficia de la velocidad del hardware de menor precisión. Según NVIDIA, los nuevos algoritmos ofrecen importantes mejoras en rendimiento: El DGEMM con Ozaki-II alcanza una aceleración de 5,5 veces en comparación con las operaciones nativas de FP64 en las GPU NVIDIA VR NVL72 y de 3,9 veces en las GPU NVIDIA GB200; también es 2 veces más rápido que Ozaki-I en las GPU GB200. El ZGEMM con el algoritmo 2M proporciona una aceleración de 5 veces en comparación con las operaciones nativas de FP64 complejo (CFP64) en las GPU NVIDIA GB200. En simulaciones de química cuántica que utilizan el método CCSD (Coupled Cluster Singles and Doubles), Ozaki-II ofrece aceleraciones de 2 y 1,4 veces en comparación con las operaciones nativas de FP64 en las GPU VR NVL72 y GB200, respectivamente; en modo de precisión mixta, las aceleraciones aumentan a 5 y 3,5 veces. En simulaciones de ciencia de materiales con el software BerkeleyGW, el ZGEMM utilizando el algoritmo 2M logra aceleraciones de 6,6 y 3,9 veces en comparación con el ZGEMM nativo en las GPU VR NVL72 y GB200, respectivamente. La introducción del formato numérico TI16 en las GPU NVIDIA Rubin acelera aún más los cálculos realizados por los algoritmos Ozaki-I y Ozaki-II.Este formato de número entero de 12 bits, combinado con la instrucción tcgen05.mma, optimiza el rendimiento de las GPUs con capacidad de cálculo de nivel 10.7. Los avances de cuBLAS han sido validados en escenarios prácticos, incluyendo la química cuántica y la ciencia de materiales. El marco Automatic Dynamic Precision (ADP) asegura que se mantenga la precisión numérica; la biblioteca recurre automáticamente a las instrucciones nativas FP64 si es necesario. Estas características hacen que cuBLAS sea adecuado para implementaciones de producción sin comprometer la precisión. Los desarrolladores pueden acceder a los nuevos algoritmos descargando la última versión del CUDA Toolkit 13.4.2. La documentación de cuBLAS proporciona orientación detallada sobre el uso de la API, incluyendo estrategias de emulación y control de los bits de la mantisa. También se dispone de código de ejemplo en GitHub para ayudar a los usuarios a evaluar las mejoras en el rendimiento de sus cargas de trabajo.
Explora las empresas y compara a sus competidores.
-
NVIDIA (NVDA)
- Comparación de acciones de IA Comparación de acciones de semiconductores
- Comparación de acciones de tecnología de gran capitalización
-
nvidia
cublas
fp64
Simulaciones científicas```
- Kit de herramientas CUDA
Inicie sesión para guardar este artículo
Cuenta gratuita: cree su colección de investigación y vuelva a leerla en cualquier momento.
```